Azureで画像を「分析する・生成する」方法を、未経験から図解で解説します。画像を扱うAIには大きく2つの方向があり、すでにある画像を“理解する”（何が写っているか・文字・顔＝コンピュータービジョン）と、新しい画像を“作る”（画像生成）に分かれます。AI-901シラバスの「視覚的な入力を解釈する」「生成モデルでビジュアル出力を作成する」「ビジョン機能を含むアプリを構築する」に対応します。
画像を「理解する」と「作る」
- 理解する：画像の中身を読み取る。「何が写っているか」「文字」「顔」などを認識します。
- 作る（画像生成）：文章（プロンプト）から新しい画像を生成します。
画像を理解する（コンピュータービジョン）
画像の中身を読み取るのがコンピュータービジョン（Azure AI Vision）。代表的な機能は次の4つです。
- 画像分類：何が写っているかを判定（例：犬か猫か）
- 物体検出：どこに何があるかを検出（位置つき）
- 文字の読み取り（OCR）：画像の中の文字を読む
- 顔検出：顔を見つけて分析する
画像を作る（画像生成）
文章から新しい画像を作るのが画像生成。Foundryのモデルカタログから画像生成モデルを選んでデプロイし、プロンプトを渡すと画像が返ります。
使い方は、デプロイ（前のFoundry入門と同じ流れ）→ プロンプトで画像を生成、です。コードなしでもポータルで試せます。
コードで見る（読めればOK）
AI-901は選択式の試験で、コードを自分で書く必要はありません。ただし「理解する（input_image）」と「作る（image_generation）」でコードのどこが違うかを読んで分かることは問われます。どちらも Foundry入門と同じ openai の responses.create を使います。
① 画像を「理解する」 マルチモーダルモデルに画像を渡すときは、入力に {"type":"input_image"} を含めます（画像はURLやbase64で渡せます）。
# 画像を渡して「何が写っている？」と尋ねる（視覚入力の解釈）
response = openai.responses.create(
model="gpt-4o", # 画像も扱えるマルチモーダルモデル
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": "この画像に何が写っていますか？"},
{"type": "input_image", "image_url": "https://example.com/photo.jpg"},
],
}],
)
print(response.output_text) # 画像の説明が返る② 画像を「作る」 新しい画像を生成するときは、tools=[{"type":"image_generation"}] で画像生成ツールを有効にします。生成画像は base64 で返るので、デコードしてファイルに保存できます。
# 文章から新しい画像を作る（画像生成）
response = openai.responses.create(
model="gpt-image-1", # 現行の画像生成モデル
input="夕焼けの富士山を描いて",
tools=[{"type": "image_generation"}], # 画像生成ツールを使う
)
# 生成画像は base64 で返るので、デコードして .png に保存する※もう一つの呼び方として、会話を介さず直接作るなら Images API の openai.images.generate(model="gpt-image-1", prompt=...) も使えます。どちらも正式なやり方で、画像はbase64で返ります（会話・エージェントの中で作る＝image_generationツール／単発で作る＝images.generate）。
input_image は画像を入力（読む）、image_generation は画像を出力（作る）。名前が似ていて逆向きなので、コード問題で狙われます。画像生成に azure-cognitiveservices-speech（音声用）は使いません。確認クイズ
Q1. 写真に写っているのが「犬」か「猫」かを判定したい。どの機能？
Q2. 「夕焼けの富士山」という文章から新しい画像を作りたい。どれ？
Q3. スキャンした書類の画像から「文字」を読み取りたい。どの機能？
Q4. 写真を渡して「この画像を説明して」と自由に質問できるのは？
よくある質問（FAQ）
Q. 画像生成のモデルは何を使いますか？
A. 現在はgpt-image-1系です。以前のDALL-E 3 は2026年3月に廃止されました。最新はモデルカタログで確認してください。
Q. コンピュータービジョンとマルチモーダルモデルの違いは？
A. コンピュータービジョンは分類・OCR・顔検出など決まったタスクが得意。マルチモーダルモデルは画像を見て自由に説明・質問応答できます。
Q. どのサービスを使いますか？
A. 画像理解の定型タスクはAzure AI Vision、柔軟な理解や画像生成はモデルカタログのモデル（マルチモーダル／画像生成）を使います。
まとめ
- 画像は「理解する」と「作る」の2方向
- 理解＝コンピュータービジョン（分類・物体検出・OCR・顔検出）＋マルチモーダルモデル（自由な解釈）
- 作る＝画像生成（gpt-image-1。DALL-E 3は2026年3月廃止）
この記事はAI-901の学習範囲の一部です。どの順番で・何時間くらい勉強すればよいかは、AI-901の勉強方法・独学ロードマップで全体像を解説しています。迷ったらここから確認するのがおすすめです。
※本記事はMicrosoft公式ドキュメント（Azure AI Vision／画像生成モデル）に基づき、エンジニアKが作成しています。モデルは更新・廃止されるため、最新は Microsoft公式 をご確認ください。
画像演習：8問で機能を見分ける
まず「画像が入口にあるか、出口にあるか」で大きく分かれ、入口にある場合は「何を知りたいか」で分かれます。
